COLUMN誰でもわかる!お役立ちコラム

システム開発とAI活用コラム

「AGI時代へようこそ」は本当か

「AGI時代へようこそ」──最新モデルの発表を受け、こうした声も聞かれるようになりました。本記事では、2026年9月に相次いだ主要モデルの発表内容とベンチマークの数字を冷静に読み解き、企業がモデルを選ぶ際に重視すべき評価軸を整理します。

2026年9月はなぜ「フラッグシップモデル発表ラッシュ」になったのか

2026年9月、主要AI企業から新モデルの発表が相次ぎました。大学入試や各種試験で高得点を記録し、長時間の作業にも対応するモデルを見ると、「いよいよAGIが実現したのか」と感じるかもしれません。AGIは一般に、幅広い課題に対応する汎用人工知能を指します。しかし、特定の試験で優秀な成績を収めたことと、企業のあらゆる仕事を安心して任せられることは別の問題です。情報システム部門に必要なのは、公表された数字を理解し、自社の業務で得られる価値へ置き換える視点です。

各企業における開発ラッシュ

まず、今回取り上げるモデルの発表を時系列で整理します。

発表日モデル発表で重視された領域
9月1日Claude Fable 5.1コーディング、知識業務、長時間の問題解決
9月2日Gemini 3.8 Flashソフトウェア開発、エージェントによる複数工程の処理
9月3日GPT-6 Astraコンピューター操作、科学、専門業務などの能力向上
9月30日Gemini 4 Argon法務・財務・サイバー防御を含む複雑な業務

ただし、すべてが同じ位置付けの最上位モデルではありません。例えばGoogleはGemini 3.8 Flashを日常的な処理を担う主力モデルとして紹介しています。また、発表日と、自社が契約する環境で利用できる日は区別する必要があります。

発表が同じ月に集中した理由を、公開資料だけから断定することはできません。一方、共通する訴求点は読み取れます。質問に答える能力に加え、情報を調べ、ツールを操作し、結果を確認する一連の仕事が重視されていることです。企業は「回答の質」とともに「任せられる工程の範囲」を評価する段階に入っています。

Claude Fable 5.1は何が変わったのか──「賢さ」より長時間タスク

AnthropicはClaude Fable 5.1で、コーディングや知識業務、長時間の問題解決能力の向上を打ち出しています。公式仕様では、コンテキストウィンドウ(生成AIが一度に記憶・参照できる作業スペース。短期記憶の広さや、使えるノートのページ数とお考えください)は100万トークンです。トークンとは文章などを処理する際の単位で、文字数と同じではありません。

企業が注目すべきなのは、大量の情報を受け付けられることに加え、複数工程で必要な情報を使い続けられるかです。例えばシステム改修なら、仕様書を読み、関連コードを調べ、修正案を作り、テスト結果を見て直す、という流れが考えられます。

ただし、入力できる量の大きさは、すべての情報を正確に理解・参照できる保証ではありません。長い作業では、途中で条件を取り違えたり、古い情報を前提に進めたりする可能性も評価する必要があります。検証では、完成物だけでなく、要件の維持、途中停止後の再開、人間が修正に費やした時間まで確認しましょう。

GPT-6 Astraの「98%」「99.9%」をどう読むべきか

OpenAIは発表の中で、様々な指標でGPT-6 Astraの性能を公表しています。FrontierMath Tier 4(難度の高い数学問題の評価)では約98%、ARC-AGI-3(未知の対話的な環境を探索し、学習して課題を解く能力を評価。行動の効率も関係する)で99.9%、ExploitBench(既知のソフトウェア脆弱性から、動作する攻撃手段を構築する能力を評価)で100%という結果が示されています。

結果をどう見ればいい?

ARC-AGI-3のスコアは、通常の知識問題の正答率とは異なります。人間の行動を基準に効率を評価する仕組みがあり、99.9%を「人間の仕事の99.9%を代替できる」と読み替えることはできません。

ExploitBenchの100%も、あらゆる脆弱性に対して攻撃手段を構築できるという意味ではありません。評価は製品提供時の安全対策を適用しない条件で実施されています。また、同じ発表の別評価「ExploitBench(June–August 2026)」(直近3か月に見つかった脆弱性を対象とした評価)では39.0%です。対象となる問題群が違えば、結果も変わります。

これらは大きな能力向上を示す材料ですが、AGIの実現を単独で証明するものとして扱うべきではありません。試験名だけでなく、対象範囲、版、実行条件をセットで読むことが重要です。

Gemini 3.8/4 Argonが示す「企業AI」の方向性

GoogleはGemini 3.8 Flashで、長い工程を伴うソフトウェア開発や、金融・法務分野のエージェントタスクにおける評価結果を紹介しました。Gemini 4 Argonでは、さらに複雑で長時間にわたる専門業務への対応を前面に出しています。ここから読み取れるのは、モデルが単発の回答を生成するだけでなく、作業を継続し、必要な処理を積み重ねる方向への進化です。例えば財務調査なら、資料収集、数値の照合、分析、報告書作成までをつなぐ使い方が考えられます。

もっとも、専門分野の評価で高い能力を示しても、そのまま自社の実務を完遂できるとは限りません。参照すべき社内規程、利用できるデータ、承認手順は企業ごとに違います。会計システムへの登録や顧客への送信を伴うなら、操作権限や失敗時の復旧方法も必要です。

企業が検証すべきなのは、自社の制約を守りながら、合意した完了条件まで到達できるかです。長く動かせるモデルほど、途中経過の記録や停止条件の設計が実務上の意味を持ちます。

ベンチマークの数字だけで「最強モデル」を決めてはいけない理由

ベンチマークは候補を絞る有用な情報です。ただし、順位を見る前に、次の条件を確かめる必要があります。

  • 何を測るか…数学、文章作成、画面操作など、対象能力が自社業務に近いか。
  • どれだけ考えさせたか…推論に使う時間や計算量、試行回数は同程度か。
  • 何を使えたか…検索、コード実行、外部ツールを利用した結果か。
  • どう実行したか…指示文、作業を制御する仕組み、評価データの版は何か。

例えばOpenAIは、Astraの評価結果について、推論設定ごとの最大スコアを採用していること、研究環境やAPIでの結果が製品環境と異なり得ることを説明しています。最高点が、そのまま日常利用時の性能を表すとは限りません。

この違いは社内検証でも生じます。検索で適切な資料を渡せていない場合、モデルだけを変更しても改善しないことがあります。一方、同じモデルでも、参照資料や業務ルール、ツールの設計を整えることで結果が変わり得ます。

比較する際は、共通の業務データと合格条件を用意し、費用や制限時間も記録しましょう。通常案件に加え、資料不足や規程の例外を含めると、実際の運用で人が介入する場面を把握できます。

企業にとって本当に重要なのは「ベンチマーク」ではなく「1業務あたりの価値」

モデル選定では、最初に「何ができれば業務完了か」を定めます。例えば問い合わせ対応なら、回答文が自然なだけでは不十分です。正しい情報を参照し、開示範囲を守り、必要な案件を担当者へ引き継げることまで評価します。具体的には、下記のような観点での評価が必要でしょう。

  • 1タスクあたりの成功率…品質と権限の範囲を守り、業務を最後まで完了できた割合
  • 処理時間…再試行や人間の承認待ちを含めた、業務完了までの時間
  • APIコスト…推論に消費するトークンや再実行、外部ツールの利用を含めた総費用
  • 人間による確認時間…AIの処理結果の確認・修正や、例外対応に人が使う時間
  • 既存システムとの接続性…認証基盤や業務システムとの連携可否と、開発・保守の負担
  • セキュリティ・権限管理…機密情報の扱い、操作範囲の制限、実行内容の監査が可能か
  • エラー時の復旧可能性…誤った処理の停止・取り消し、途中再開、人への引き継ぎが可能か

まとめ

2026年9月の発表は、長い工程や専門業務にAIを適用する可能性を広げました。しかし、ベンチマークの高得点から、企業業務全般の自律化を結論付けることはできません。情報システム部門が取り組むべきなのは、自社の業務で成功条件を定め、品質、費用、人の確認負担、運用上の制約を測ることです。「AGIかどうか」という大きな問いと、目の前の導入判断を分け、1業務あたりの価値を確かめることが、投資を成果につなげます。